人类病毒蛋白质磷酸化修饰位点的识别研究

蛋白质磷酸化翻译后修饰在病毒的复制和抑制宿主细胞功能方面发挥重要的作用。然而,利用实验的方法识别磷酸化位点既费时费力又耗财。因此基于蛋白质氨基酸序列发展一种机器学习方法对病毒蛋白磷酸化位点进行预测显得非常有必要。研究结合支持向量机提出识别病毒蛋白磷酸化位点的新方法。采用权重氨基酸成分和属性分组编码对病毒蛋白残基的氨基酸物理化学性质和序列信息进行特征提取,通过10倍交叉验证,丝氨酸、苏氨酸和酪氨酸磷酸化位点的预测准确率分别达到82.0%、85.8%和92.4%。运用该预测模型对丝氨酸残基磷酸化的激酶组进行分类评估,CMGC、AGC和CAMK激酶组的马氏相关系数分别达到69.3%、68.8%和68.2%。结果表明:构建的方法可以有效地预测激酶特异性的磷酸化位点。     

使用多样性增量预测磷酸化位点

磷酸化是蛋白质最重要的翻译后修饰之一.应用基于多样性增量的二次判别分析 (Increment of Diversity with Quadratic Discriminant analysis,IDQD)方法对CK2,PKA和PKC三种类型磷酸化位点进行预测,k-fold交叉检验的正确率分别为86%,90%和85%,独立测试集检验的正确率分别为86%,88%和84%.所得结果高于包括支持向量机在内的现有预测方法.     

基于 LibSVM 的 CKSAAP 蛋白特征提取预测水稻蛋白质磷酸化位点

本文从swiss-prot中选取经过试验验证的水稻蛋白质磷酸化位点数据作为训练集合,应用蛋白质序列特征提取方法Composition of k-spaced residues pairs （CKSAAP）,为利用SVM算法构建专门针对水稻蛋白质磷酸化位点的预测工具做准备。 CKSAAP方法利用在序列片断中残基的K个间隔距离的组成,进一步反映了残基之间的相关性。本文利用LibSVM软件包对已通过改进过得CKSAAP方法特征提取出来的数值特征对磷酸化位点进行预测,从而为之后构建水稻蛋白质磷酸化位点的预测工具做准备。结果表明,本文基于SVM和CKSAAP方法的水稻蛋白质磷酸化位点预测在丝氨酸,苏氨酸和酪氨酸的平均预测准确性为80．638％,马修斯系数为0．611。与PlantPhos和Musite的预测性能的对比结果显示,在磷酸化各氨基酸位点的预测性能高于PlantPhos及Musite。     

使用多特征预测蛋白质棕榈化位点

采用改进的氨基酸组成、SARAH1疏水尺度值、改进的二肽频率特征、间隔氨基酸对组成特征、蛋白质物理化学性质的自相关函数特征值表征给定的蛋白质序列段,然后用小波频谱来提取特征参数值,用支持向量机来预测棕榈酰化位点。模型查准率为0.880,查全率为0.859,F值为0.869,ROC曲线的面积为0.87。研究结果表明,使用多特征预测蛋白质棕榈化位点方法达到了现有预测算法的水平,能够较准确地预测蛋白质棕榈化位点。     

蛋白质的磷酸化修饰及其研究方法

蛋白质磷酸化是一种重要的翻译后修饰,它参与和调控生物体内的许多生命活动。随着蛋白质组技术的不断发展,蛋白质磷酸化的研究越来越受到广泛的重视。本文介绍了蛋白质磷酸化修饰的主要类型与功能、磷酸化兰白质及磷酸化肽的标记和分离与富集、磷酸化肽及磷酸化位点分析以及蛋白质的磷酸化改性等方法,并综述了近年来国内外的主要研究进展。     

基于组合特征集成的蛋白质相互作用位点预测

运用RBF神经网络预测蛋白质相互作用位点.首先提取序列谱、保守权重、熵值、复合物可及表面积和序列变化率等一系列蛋白质相互作用位点的关键特征.然后应用RBF神经网络以及它们的集成来对这些样本集进行训练与测试.使用10次交叉验证进行训练与测试,创建了4组具有对比性的蛋白质相互作用特征组合.实验中每加入一种新的特征时正确预测率都会相应的提高,特别是加入可及表面积和序列变化率特征时正确率提高幅度更大,表明利用多特征组合,结合RBF神经网络算法进行预测蛋白质相互作用位点的方法是正确有效的.     

抗三尖杉酯碱的HL60细胞蛋白质磷酸化

研究了抗三尖杉酯碱的ＨＬ６０细胞蛋白质磷酸化的变化。经差速离心得到纯膜蛋白，抗性细胞有一高度磷酸化的１１０ｋｕ的蛋白质存在，免疫沉淀ｃ－ＫＡＦ－１蛋白激酶，抗性细胞内ｃ－ＲＡＦ－１蛋白激酶磷酸化程度明显提高，其活性被蛋白激酶Ｃ抑制剂ＣａｌｐｈｏｓｔｉｎＣ明显地抑制。结果表明：ＨＬ６０细胞对三尖杉酯碱的抗药性与蛋白质高度磷酸化有关；抗性细胞内ｃ－ＲＡＦ－１蛋白激酶磷酸化程度明显提高，可能与多药抗药性和抗细胞调亡有关。     

基于多头注意力机制的磷酸化位点预测模型

计算预测蛋白质磷酸化位点的方法常用于位点识别的初筛阶段。为了提升位点初筛的准确率,本文提出一个深度学习模型MAPhos。该模型首先运用氨基酸向量与位置向量的和表示每一个氨基酸残基;随后使用双向GRU循环神经网络捕获各氨基酸残基的特征;接着引入多头注意力机制计算各注意力头的子上下文向量,并将它们连接起来构成肽段的上下文向量;最后通过一个全连接神经网络进行非线性变换和结果预测。真实数据集上的实验结果表明,MAPhos模型预测磷酸化位点在AUC值、灵敏度、正确率、精度和F₁分数统计度量上胜过基于特征提取的模型和基于卷积神经网络的模型,同时与基于卷积神经网络的模型相比具有更好的可解释性,这证明了MAPhos模型更加适用于磷酸化位点识别任务的初筛阶段。     

酿酒酵母蛋白激酶Sch9的PDK1位点调控C末端磷酸化状态

利用酿酒酵母蛋白激酶Sch9(哺乳动物p70S6k1的同源物)PDK1和PDK2位点点突变的两种突变体,分别进行生长、寿命表型检测及免疫印迹分析实验,发现PDK1位点的磷酸化水平对于Sch9活性起着主导性作用,并且PDK1位点发生去磷酸化会促进C末端高度磷酸化,而PDK1发生磷酸化会抑制C末端的磷酸化.由此说明Sch9上PDK1和PDK2位点是否发生磷酸化除了受到各自上游激酶的调节外,两者之间还存在着一种负调控机制.     

蛋白质组学研究中磷酸化蛋白质(肽)富集策略及展望

蛋白质磷酸化是细胞信号转导途径中重要的调控过程,但磷酸化蛋白质(肽)丰度低、化学计量低、易降解等限制了磷酸化蛋白质(肽)的研究.磷酸化蛋白质(肽)的制备是蛋白质磷酸化研究成功的关键步骤.笔者综述了磷酸化蛋白质(肽)的一些富集策略:基于抗体技术、亲和性标签磷酸化蛋白质富集策略,基于固相金属亲和层析、金属氧化亲和层析、IMAC连续洗脱、离子交换层析、亲水相互作用层析的磷酸化肽富集策略,熟练掌握及综合应用这些磷酸化蛋白质(肽)的富集策略,对于研究细胞信号转导途径中的调控因子具有重要作用.     

基于决策树的排序学习算法

基于一个修改了的决策树的分裂规则,得到了具有直观解释的排序算法,并给出了相关理论证明.实验结果表明,该算法优于感知机类和序回归类算法.     

基于Rough集的决策树算法

针对基于Rough集的经典分类算法值约简算法等不适合大数据集的问题，提出了基于Rough集的决策树算法。采用一个新的选择属性的测度——属性分类粗糙度作为选择属性的启发式，该测度较Rough中刻画属性相关性的测度正区域等更为全面地刻画了属性分类综合贡献能力，并且比信息增益和信息增益率的计算更为简单。采取了一种新的剪枝方法——预剪枝，即在选择属性计算前基于变精度正区域修正属性对数据的初始划分模式，以更有效地消除噪音数据对选择属性和生成叶节点的影响．采取了一种与决策树算法高度融合的简单有效的检测和处理不相容数据的方法，从而使算法对相容和不相容数据都能进行有效处理。对UCI机器学习数据库中几个数据集的挖掘结果表明，该算法生成的决策树较ID3算法小，与用信息增益率作为启发式的决策树算法生成的决策树规模相当。算法生成所有叶节点均满足给定最小置信度和支持度的决策树或分类规则，并易于利用数据库技术实现，适合大数据集。     

一种基于粗糙集的决策树规则提取算法

文章提出了一种新的决策树构建算法，算法选择使生成的规则满足给定可信度阀值且支持度最大的属性作为结点，不仅简化了生成的决策树；且可以根据用户输入的可信度，得到相应的决策规则集，提高了决策树的泛化能力，有效地去除了噪音规则。应用实例分析，结果表明算法提取的决策规则简洁有效。     

基于粗糙集决策树算法的研究

传统的决策树方法在实际应用中存在很多不足,如生成树规模过大,抗噪性较差等,因此,提出了将变精度粗糙集和混合变量集算法应用于决策树分类中,通过变精度和混合属性集分类减小树的规模和过度拟合问题,降低了噪声数据对属性选择的影响,并通过实验证明该算法与传统的算法相比具有较大的优越性。     

基于粗糙集的决策树集成学习算法

【目的】为提高决策树集成的泛化能力和效率,解决集成全部决策树的情况下有时并不显著提高精度、反而导致额外存储和计算开销的问题,提出一种基于粗糙集的决策树集成学习算法。【方法】该算法基于粗糙集理论,从训练的全部决策树中选择一部分进行集成。【结果】与目前流行的集成学习算法Bagging和Boosting相比,本文提出的算法有效地减小了集成规模,并获得更好的泛化能力。【结论】该算法提高了决策树集成的泛化能力和效率。     

一种基于粗糙集构造决策树的改进算法

基于变精度粗糙集模型,对文献[3]提出的生成决策树方法进行改进,把变精度加权平均粗糙度作为属性选择标准,提出一种构造决策树新算法.新算法用变精度近似精度来代替近似精度,能有效地克服噪声数据在构造决策树过程中对刻画精度的影响,使生成的决策树复杂性降低,泛化能力更强.     

多概念学习的决策树MNID算法

决策树归纳法ＩＤ３是人工智能机器学习中发展较快的一种归纳学习算法,而目前的ＩＤ３及其改进算法亦因各种问题限制了其在工程中的应用。基于决策树归纳学习算法示例学习最优化的理论,用在多概念学习条件下对多特征属性值进行分组聚类实现优化的方法,导出了定义在多概念窨上的决策树归纳学习算法ＮＭＩＤ。这种新算法对工程技术领域普遍存在的多概念学习问题,有较好的应用价值。     

基于决策树的数据挖掘算法的应用与研究

数据挖掘是指从数据库中抽取隐含的、具有潜在使用价值信息的过程,是一种新型的数据分析技术.研究数据挖掘中的决策树算法以及决策树算法在具体的客户关系管理系统中的研究与分析,对数据挖掘中的决策树技术做了详细的描述.     

决策树的剪枝策略研究

主要研究决策树的修剪策略.着重对决策树需要修剪的原因、发展过程、修剪算法的分类以及修剪过程中注意事项、修剪程度的控制等进行了探讨.